Tageskurs
DI (FH) Thomas Giselbrecht
T 05572/3894-470
E giselbrecht.thomas@vlbg.wifi.at
Kursnummer: 81736
Tageskurs
Kursnummer: 81615
Data Science und Business Analytics
Details zum Lehrgang finden Sie in unserer Infobroschüre!
Data Science und Business Analytics nutzen Methoden und Techniken aus Mathematik, Statistik, Machine Learning und Programmierung, um Wissen aus Daten zu generieren. Deren Erkenntnisse stellen einen enormen Mehrwert für die Unternehmen dar.
Die Möglichkeit, bisher unbekannte Muster in Datensätzen zu erkennen, wird viele Bereiche in den Unternehmen nachhaltig verändern. Neue Technologien und Anwendungssysteme wie Big Data, Data Mining, Predictive Maintenance, Maschinelles Lernen und grafische Visualisierungen, bieten hierfür innovative Lösungsansätze. Dies stellt eine große Herausforderung für Unternehmen unabhängig von ihrer Größe dar. Der Bedarf an Data Science- und Business Analytics-Fähigkeiten ist daher groß.
Der Lehrgang richtet
sich an Betriebswirt:innen, (Wirtschafts-)Informatiker:innen, Ingenieur:innen und
Naturwissenschaftler:innen. Unterschiedliche Hintergründe der Teilnehmenden sind bewusst
erwünscht.
Die Voraussetzungen für eine Teilnahme sind entweder ein erfolgreich abgeschlossenes Studium oder eine erfolgreich abgeschlossene Berufsausbildung mit einer mindestens einjährigen einschlägigen qualifizierten Berufspraxis.
Modul 1: Einführung in Data Science und Python
- Grundlagen von Data Science
- Einführungskurs Python, Pandas, Matplotlib, Seaborn
- Eine erste Data Science Fallstudie: Aus Zahlen mit statistischen Verfahren und hilfreichen Visualisierungen neue Erkenntnisse generieren
Modul 2: Einführung in Machine Learning
- Einführung in die Künstliche Intelligenz, Machine Learning
- Einführung in die Untergebiete des Maschinellen Lernens
- Wie funktionieren Machine Learning Modelle wie K-NN, Decision Trees und Random Forests?
- Fallstudie: Mit Machine Learning ein Klassifikations- oder Prädiktionsproblem lösen, z.B. Kundenverhalten oder Maschinenzustand vorhersagen
Modul 3: Deep Learning
- Wie unterscheidet sich Deep Learning von Machine Learning?
- Wie funktioniert Deep Learning / Künstliche Neuronale Netze?
- Übersicht über wichtige Deep Learning Modelle
- Fallstudie: Mit Deep Learning ein Klassifikations- oder Prädiktionsproblem lösen, z.B. Verkaufspreise für Immobilien oder Autos vorhersagen
Modul 4: Machine Learning und Deep Learning Vertiefung
- Weitere wichtige klassische Machine Learning Modelle
- Neuere Deep Learning Modelle (z.B. Transformer)
- Fallstudie: Zeitreihen mit Deep Learning Verfahren fortsetzen
Modul 5: Big Data und Datenbanken
- Einführung in Big Data
- Übersicht über Big Data Software und Lösungen
- Einführung in Datenbanken / Arten von Datenbanken
- Fallstudie: Arbeiten mit Datenbanken aus Python heraus um Daten für Data Science und Machine Learning anzubinden, auszuwerten und neue Erkenntnisse abzulegen
Modul 6: AutoML und Machine Learning der Cloud
- Automatisiertes Training und Modellauswahl: Wie geht das?
- Einführung in ein ausgewähltes aktuelles AutoML Framework, z.B. AutoGluon
- Machine Learning Lösungen in der Cloud
- Fallstudie: Ein konkretes Unternehmensproblem mit AutoML lösen
Prof. Dr. Jürgen Brauer
- "Generell sind die Module inhaltlich extrem interessant! Sehr viel gelernt und gut erklärt!"
- "Trotz Online-Lehrveranstaltung sehr gute Vermittlung des Inhaltes und interessante Gestaltung des Lehrganges! Gilt für beide Trainer!"
- "... Es war ein extrem guter Kurs und sicher einer der besten die ich in meinem Werdegang besucht habe. ..."
- "Vielen Dank für den tollen Kurs. Es hat wirklich sehr viel Spaß gemacht."
96
Online
